a16z Podcast
Summary & Insights
Could a single company eventually reach a $100 trillion market cap? While that number sounds like science fiction, the current trajectory of artificial intelligence suggests that we are entering an era of “extreme power laws” where the gap between the winners and everyone else is widening at an unprecedented rate. In a landscape where only 20 out of 3,000 venture capital firms have achieved consistent 3x net returns over two decades, the ability to identify and size positions in category-defining companies is no longer just an advantage—it is the only way to survive.
The conversation centers on the idea that AI is fundamentally changing how capital compounds. In traditional startups, throwing too much money at a company often creates “coordination headwind,” leading to bloated hiring and inefficiency. Frontier AI is different because capital can be converted directly into compute, which immediately improves the product and reinforces a company’s competitive moat. This creates a virtuous cycle where the leaders can scale their technical advantage almost linearly with their funding, making the “winner-take-all” dynamic more potent than it was during the rise of social networks or SaaS.
Beyond the models themselves, the discussion explores the massive shift in Total Addressable Market (TAM). AI is not just “better software”; it is an attack on the entire GDP, targeting labor and tasks rather than just software seats. For example, in healthcare, the opportunity isn’t just in IT spending, but in the trillion-dollar industry of actual administrative and clinical labor. This expansion means that the next generation of giants will likely emerge from robotics, autonomy, and energy infrastructure, as the bottleneck shifts from software demand to the physical supply of power and chips.
Surprising Insights
- Compute as a Direct Asset: Unlike most startups where excess capital leads to inefficiency, frontier AI labs can turn dollars directly into compute, which mathematically improves the product and increases the competitive moat.
- The “Death of the Middle”: Venture capital is bifurcating into highly specialized niche funds and massive, full-lifecycle firms. Mid-sized firms are struggling because founders increasingly prefer the “orbit” of giant brands that can de-risk outcomes through massive resources.
- Labor vs. Software TAM: AI’s potential is significantly larger than the SaaS era because it targets the cost of human labor—which is roughly 40 times larger than the software market in the U.S. economy.
- The Consistency Gap: Out of 3,000 U.S. VC firms, fewer than 1% (about 20 firms) have maintained consistent 3x net returns over 20 years, highlighting that “average” venture returns are often worse than public market returns.
Practical Takeaways
- Focus on “AI-Native” Management: When evaluating companies or investments, look for “AI-native” leadership that is willing to “suicide” their existing business model to rebuild for the AI era, rather than simply adding AI features to a legacy product.
- Prioritize Usage Over ARR: In the early stages of AI, traditional Annual Recurring Revenue (ARR) can be misleading. Instead, analyze the “texture” of usage and engagement—specifically whether the product is becoming a necessity for the customer’s daily workflow.
- Concentrate Your Bets: Because the power law is so extreme, diversifying across 50–70 different VC funds often results in average returns. To capture outlier gains, allocate more heavily to a smaller number of firms with proven access to category-defining companies.
- Watch the Supply Bottlenecks: Shift attention toward the “left side” of the AI stack—energy transmission, data center density, and power permissioning—as these are the primary constraints that will determine which AI companies can actually scale.
🛍️ Products & Resources Mentioned
- ⚡ DeviceCursor — Mentioned as an AI-native coding tool with a significant M&A sale to SpaceX.View on Amazon →
Liệu một công ty duy nhất có thể đạt đến mức vốn hóa thị trường 100 nghìn tỷ USD trong tương lai? Mặc dù con số này nghe có vẻ như khoa học viễn tưởng, nhưng quỹ đạo hiện tại của trí tuệ nhân tạo cho thấy chúng ta đang bước vào kỷ nguyên của “quy luật lũy thừa cực đoan” (extreme power laws), nơi khoảng cách giữa những kẻ chiến thắng và tất cả những người còn lại đang nới rộng với tốc độ chưa từng thấy. Trong một bối cảnh mà chỉ có 20 trong số 3.000 quỹ đầu tư mạo hiểm đạt được tỷ suất lợi nhuận ròng 3 lần một cách nhất quán trong suốt hai thập kỷ, khả năng nhận diện và phân bổ vốn vào các công ty định nghĩa lại phân khúc thị trường không còn đơn thuần là một lợi thế—mà là cách duy nhất để tồn tại.
Cuộc thảo luận tập trung vào ý tưởng cho rằng AI đang thay đổi căn bản cách thức tích lũy vốn. Ở các startup truyền thống, việc đổ quá nhiều tiền vào một công ty thường tạo ra “lực cản điều phối” (coordination headwind), dẫn đến việc tuyển dụng phình to và kém hiệu quả. AI tiên phong (Frontier AI) thì khác, vì vốn có thể được chuyển đổi trực tiếp thành năng lực tính toán (compute), điều này cải thiện sản phẩm ngay lập tức và củng cố “hào phòng thủ” cạnh tranh của công ty. Điều này tạo ra một vòng xoáy tích cực, nơi những đơn vị dẫn đầu có thể mở rộng lợi thế kỹ thuật gần như tuyến tính với nguồn vốn của họ, khiến động lực “kẻ thắng lấy tất cả” trở nên mạnh mẽ hơn nhiều so với thời kỳ trỗi dậy của mạng xã hội hay SaaS.
Ngoài bản thân các mô hình, cuộc thảo luận còn khám phá sự chuyển dịch khổng lồ về Tổng thị trường có thể tiếp cận (TAM). AI không chỉ là “phần mềm tốt hơn”; nó là một cuộc tấn công vào toàn bộ GDP, nhắm vào lao động và tác vụ thay vì chỉ là số lượng thuê bao phần mềm. Ví dụ, trong lĩnh vực y tế, cơ hội không chỉ nằm ở chi tiêu cho CNTT, mà nằm ở ngành công nghiệp trị giá hàng nghìn tỷ USD của lao động lâm sàng và hành chính thực tế. Sự mở rộng này có nghĩa là thế hệ khổng lồ tiếp theo có khả năng sẽ xuất hiện từ robot, tự động hóa và cơ sở hạ tầng năng lượng, khi nút thắt cổ chai chuyển từ nhu cầu phần mềm sang nguồn cung vật lý về năng lượng và chip.
Những hiểu biết gây bất ngờ
- Năng lực tính toán là một tài sản trực tiếp: Không giống như hầu hết các startup nơi vốn dư thừa dẫn đến kém hiệu quả, các phòng thí nghiệm AI tiên phong có thể biến tiền trực tiếp thành năng lực tính toán, điều này cải thiện sản phẩm về mặt toán học và gia tăng hào phòng thủ cạnh tranh.
- “Cái chết của phân khúc tầm trung”: Đầu tư mạo hiểm đang phân cực thành các quỹ ngách chuyên sâu và các công ty vận hành toàn vòng đời quy mô lớn. Các quỹ tầm trung đang gặp khó khăn vì các nhà sáng lập ngày càng ưu tiên “quỹ đạo” của những thương hiệu khổng lồ, những nơi có thể giảm thiểu rủi ro thông qua nguồn lực khổng lồ.
- TAM của Lao động so với Phần mềm: Tiềm năng của AI lớn hơn đáng kể so với kỷ nguyên SaaS vì nó nhắm vào chi phí lao động con người—vốn lớn hơn khoảng 40 lần so với thị trường phần mềm trong nền kinh tế Hoa Kỳ.
- Khoảng cách về sự nhất quán: Trong số 3.000 quỹ VC tại Hoa Kỳ, chưa đến 1% (khoảng 20 quỹ) duy trì được tỷ suất lợi nhuận ròng 3 lần nhất quán trong 20 năm, cho thấy lợi nhuận đầu tư mạo hiểm “trung bình” thường thấp hơn lợi nhuận từ thị trường công khai.
Bài học thực tiễn
- Tập trung vào quản trị “AI-Native”: Khi đánh giá các công ty hoặc khoản đầu tư, hãy tìm kiếm những nhà lãnh đạo có tư duy “AI-native”—những người sẵn sàng “khai tử” mô hình kinh doanh hiện tại để xây dựng lại cho kỷ nguyên AI, thay vì chỉ đơn thuần thêm các tính năng AI vào một sản phẩm cũ.
- Ưu tiên mức độ sử dụng hơn là ARR: Trong giai đoạn đầu của AI, Doanh thu định kỳ hàng năm (ARR) truyền thống có thể gây hiểu lầm. Thay vào đó, hãy phân tích “đặc tính” của việc sử dụng và mức độ tương tác—cụ thể là liệu sản phẩm có đang trở thành một phần thiết yếu trong quy trình làm việc hàng ngày của khách hàng hay không.
- Tập trung đặt cược: Vì quy luật lũy thừa quá cực đoan, việc đa dạng hóa qua 50–70 quỹ VC khác nhau thường chỉ mang lại lợi nhuận trung bình. Để nắm bắt những mức tăng trưởng đột biến, hãy phân bổ vốn mạnh hơn vào một số ít các quỹ đã chứng minh được khả năng tiếp cận các công ty định nghĩa lại phân khúc thị trường.
- Theo dõi các nút thắt cung ứng: Chuyển sự chú ý sang “phía bên trái” của hệ sinh thái AI—truyền tải năng lượng, mật độ trung tâm dữ liệu và cấp phép điện năng—vì đây là những hạn chế chính quyết định công ty AI nào thực sự có thể mở rộng quy mô.
單一公司的市值最終有可能達到 100 兆美元嗎？雖然這個數字聽起來像科幻小說，但人工智慧目前的發展軌跡表明，我們正在進入一個「極端冪律」（extreme power laws）的時代，贏家與其他所有人之間的差距正以空前速度擴大。在 3,000 家風險投資公司中，僅有 20 家在過去二十年裡實現了持續 3 倍的淨回報，在這樣的格局下，識別並重倉佈局「定義類別」之公司的能力已不再僅僅是一種優勢，而是生存的唯一途徑。
此次討論的核心在於，AI 正在從根本上改變資本複利的方式。在傳統的創業公司中，向公司投入過多資金往往會產生「協調阻力」（coordination headwind），導致僱傭過度與效率低下。但前沿 AI 不同，因為資本可以直接轉化為算力，而算力能立即提升產品性能並強化公司的競爭護城河。這創造了一個良性循環：領先者可以使其技術優勢隨著資金規模幾乎線性地擴展，這使得「贏家通吃」的動態比社交網路或 SaaS（軟體即服務）崛起時期更加強大。
除了模型本身，討論還探討了總體潛在市場（TAM）的巨大轉移。AI 不僅僅是「更好的軟體」，它是對整個 GDP 的衝擊，其目標是取代勞動力和任務，而非僅僅是軟體授權席位。例如，在醫療保健領域，機會不僅在於 IT 支出，而是在於價值數兆美元的行政與臨床勞動力產業。這種擴張意味著下一代巨頭可能會從機器人、自動化和能源基礎設施中誕生，因為瓶頸已從軟體需求轉移到電力和晶片的物理供應。
驚人洞察
- 算力即直接資產： 與大多數過多資本會導致低效的創業公司不同，前沿 AI 實驗室能將資金直接轉化為算力，從數學上提升產品性能並增加競爭護城河。
- 「中產階級的消亡」： 風險投資正在分化為高度專業的利基基金和巨大的全生命週期公司。中型公司正陷入困境，因為創業者越來越傾向於進入巨頭品牌的「軌道」，利用其海量資源來降低結果風險。
- 勞動力 vs. 軟體 TAM： AI 的潛力遠大於 SaaS 時代，因為它的目標是人力成本——在美國經濟中，人力成本市場規模約為軟體市場的 40 倍。
- 一致性差距： 在 3,000 家美國 VC 公司中，僅有不到 1%（約 20 家）在 20 年間維持了持續 3 倍的淨回報，這凸顯了「平均」風投回報往往低於公開市場的回報。
實務啟示
- 關注「AI 原生」管理： 在評估公司或投資時，尋找那些願意為了 AI 時代而「自殺式」推翻既有商業模式並重建，而非僅僅在舊產品中添加 AI 功能的「AI 原生」領導層。
- 優先考慮使用量而非年度經常性收入 (ARR)： 在 AI 的早期階段，傳統的 ARR 可能會產生誤導。相反，應分析使用量和參與度的「質地」——特別是該產品是否已成為客戶日常工作流程中的必需品。
- 集中投注： 由於冪律極其極端，分散投資於 50-70 個不同的 VC 基金通常只能獲得平均回報。為了捕捉極端異常值（outlier）的收益，應將更多資金分配給少數幾家被證明能接觸到定義類別公司的基金。
- 關注供應瓶頸： 將注意力轉向 AI 堆疊的「左側」——電力傳輸、數據中心密度和電力許可，因為這些是決定哪些 AI 公司能夠真正規模化的主要約束條件。
Une seule entreprise pourrait-elle un jour atteindre une capitalisation boursière de 100 billions de dollars ? Bien que ce chiffre semble relever de la science-fiction, la trajectoire actuelle de l’intelligence artificielle suggère que nous entrons dans une ère de « lois de puissance extrêmes », où l’écart entre les gagnants et tous les autres s’élargit à un rythme sans précédent. Dans un paysage où seules 20 sociétés de capital-risque sur 3 000 ont réussi à maintenir des rendements nets constants de 3x sur deux décennies, la capacité à identifier et à calibrer ses positions dans des entreprises qui définissent leur catégorie n’est plus seulement un avantage — c’est la seule façon de survivre.
La réflexion s’articule autour de l’idée que l’IA modifie fondamentalement la manière dont le capital fructifie. Dans les startups traditionnelles, injecter trop d’argent dans une entreprise crée souvent un « vent contraire de coordination », entraînant des recrutements excessifs et une inefficacité. L’IA de pointe (« Frontier AI ») est différente, car le capital peut être converti directement en puissance de calcul (compute), ce qui améliore immédiatement le produit et renforce le fossé concurrentiel de l’entreprise. Cela crée un cercle vertueux où les leaders peuvent accroître leur avantage technique de manière presque linéaire avec leur financement, rendant la dynamique du « gagnant rafle tout » plus puissante qu’elle ne l’était lors de l’ascension des réseaux sociaux ou du SaaS.
Au-delà des modèles eux-mêmes, la discussion explore le basculement massif du marché adressable total (TAM). L’IA n’est pas simplement un « meilleur logiciel » ; c’est une offensive contre l’ensemble du PIB, ciblant le travail et les tâches plutôt que de simples licences logicielles. Par exemple, dans le secteur de la santé, l’opportunité ne réside pas seulement dans les dépenses informatiques, mais dans l’industrie pluritrilionnaire du travail administratif et clinique réel. Cette expansion signifie que la prochaine génération de géants émergera probablement de la robotique, de l’autonomie et des infrastructures énergétiques, car le goulot d’étranglement se déplace de la demande logicielle vers l’offre physique d’énergie et de puces.
Perspectives surprenantes
- Le calcul comme actif direct : Contrairement à la plupart des startups où l’excès de capital mène à l’inefficacité, les laboratoires d’IA de pointe peuvent transformer les dollars directement en puissance de calcul, ce qui améliore mathématiquement le produit et accroît la barrière concurrentielle.
- La « mort du milieu » : Le capital-risque se scinde en deux : d’un côté des fonds de niche hautement spécialisés, et de l’autre, des firmes massives couvrant tout le cycle de vie. Les firmes de taille moyenne sont en difficulté car les fondateurs préfèrent de plus en plus l’« orbite » de marques géantes capables de réduire les risques grâce à des ressources massives.
- TAM du travail vs logiciel : Le potentiel de l’IA est nettement plus vaste que celui de l’ère SaaS car il cible le coût de la main-d’œuvre humaine — lequel est environ 40 fois plus important que le marché du logiciel dans l’économie américaine.
- L’écart de constance : Sur 3 000 sociétés de VC américaines, moins de 1 % (environ 20 firmes) ont maintenu des rendements nets constants de 3x sur 20 ans, soulignant que les rendements « moyens » du capital-risque sont souvent inférieurs à ceux des marchés publics.
enseignements pratiques
- Privilégier un management « AI-native » : Lors de l’évaluation d’entreprises ou d’investissements, recherchez un leadership « natif de l’IA » prêt à « suicider » son modèle économique actuel pour le reconstruire pour l’ère de l’IA, plutôt que de simplement ajouter des fonctionnalités d’IA à un produit existant.
- Prioriser l’usage sur l’ARR : Aux premiers stades de l’IA, le revenu annuel récurrent (ARR) traditionnel peut être trompeur. Analysez plutôt la « texture » de l’utilisation et de l’engagement — spécifiquement si le produit devient une nécessité pour le flux de travail quotidien du client.
- Concentrer vos paris : Parce que la loi de puissance est si extrême, diversifier sur 50 à 70 fonds de VC différents conduit souvent à des rendements moyens. Pour capturer des gains exceptionnels, allouez davantage de ressources à un nombre restreint de firmes ayant un accès prouvé aux entreprises qui définissent leur catégorie.
- Surveiller les goulots d’étranglement de l’offre : Portez votre attention sur la « partie gauche » de la pile technologique de l’IA — transport d’énergie, densité des centres de données et autorisations de puissance électrique — car ce sont les contraintes primaires qui détermineront quelles entreprises d’IA pourront réellement passer à l’échelle.
Könnte ein einzelnes Unternehmen irgendwann eine Marktkapitalisierung von 100 Billionen Dollar erreichen? Während diese Zahl wie Science-Fiction klingt, legt die aktuelle Entwicklung der künstlichen Intelligenz nahe, dass wir in eine Ära „extremer Potenzgesetze“ eintreten, in der sich die Lücke zwischen den Gewinnern und allen anderen in einem beispiellosen Tempo weitet. In einer Landschaft, in der nur 20 von 3.000 Risikokapitalgesellschaften über zwei Jahrzehnte hinweg konsistente Netto-Renditen vom Dreifachen erzielt haben, ist die Fähigkeit, kategorieprägende Unternehmen zu identifizieren und die Positionen entsprechend zu gewichten, nicht mehr nur ein Vorteil – sie ist die einzige Überlebenschance.
Im Zentrum der Diskussion steht die Idee, dass KI die Art und Weise, wie Kapital verzinst, fundamental verändert. Bei traditionellen Start-ups führt der Einsatz von zu viel Kapital oft zu einem „Koordinations-Gegenwind“, was zu überdimensionierten Einstellungen und Ineffizienz führt. Frontier-KI ist anders, da Kapital direkt in Rechenleistung (Compute) umgewandelt werden kann, was das Produkt sofort verbessert und den Wettbewerbsvorteil (Moat) eines Unternehmens verstärkt. Dies schafft einen positiven Kreislauf, in dem die Marktführer ihren technischen Vorsprung fast linear mit ihrer Finanzierung skalieren können, wodurch die „Winner-take-all“-Dynamik weitaus potenter ist als während des Aufstiegs sozialer Netzwerke oder von SaaS.
Über die Modelle selbst hinaus untersucht die Diskussion die massive Verschiebung des gesamten adressierbaren Marktes (Total Addressable Market, TAM). KI ist nicht einfach nur „bessere Software“; sie ist ein Angriff auf das gesamte Bruttoinlandsprodukt, da sie auf Arbeit und Aufgaben abzielt und nicht nur auf Software-Lizenzen. Im Gesundheitswesen beispielsweise liegt die Chance nicht nur in den IT-Ausgaben, sondern in der Billionen-Dollar-Industrie der tatsächlichen administrativen und klinischen Arbeit. Diese Expansion bedeutet, dass die nächste Generation von Giganten wahrscheinlich aus den Bereichen Robotik, Autonomie und Energieinfrastruktur hervorgehen wird, da sich der Engpass von der Software-Nachfrage hin zum physischen Angebot an Energie und Chips verschiebt.
Überraschende Erkenntnisse
- Rechenleistung als direktes Asset: Im Gegensatz zu den meisten Start-ups, bei denen überschüssiges Kapital zu Ineffizienz führt, können Frontier-KI-Labs Dollar direkt in Rechenleistung umwandeln, was das Produkt mathematisch verbessert und den Wettbewerbsvorteil vergrößert.
- Der „Tod der Mitte“: Das Risikokapital spaltet sich in hochspezialisierte Nischenfonds und massive Full-Lifecycle-Firmen auf. Mittelgroße Firmen haben zu kämpfen, da Gründer zunehmend den „Orbit“ großer Marken bevorzugen, die Ergebnisse durch massive Ressourcen absichern können.
- Arbeitsmarkt vs. Software-TAM: Das Potenzial von KI ist signifikant größer als in der SaaS-Ära, da sie die Kosten menschlicher Arbeit ins Visier nimmt – ein Markt, der in der US-Wirtschaft etwa 40-mal größer ist als der Softwaremarkt.
- Die Konsistenzlücke: Von 3.000 US-VC-Firmen haben weniger als 1 % (etwa 20 Firmen) über 20 Jahre hinweg konsistente Netto-Renditen vom Dreifachen beibehalten, was verdeutlicht, dass „durchschnittliche“ Venture-Renditen oft schlechter sind als die Renditen öffentlicher Märkte.
Praktische Erkenntnisse
- Fokus auf „KI-natives“ Management: Achten Sie bei der Bewertung von Unternehmen oder Investitionen auf eine „KI-native“ Führung, die bereit ist, ihr bestehendes Geschäftsmodell „zu opfern“, um es für die KI-Ära neu aufzubauen, anstatt lediglich KI-Funktionen zu einem Legacy-Produkt hinzuzufügen.
- Nutzung vor ARR priorisieren: In der Frühphase von KI können traditionelle jährlich wiederkehrende Umsätze (ARR) irreführend sein. Analysieren Sie stattdessen die „Textur“ der Nutzung und des Engagements – insbesondere, ob das Produkt zu einer Notwendigkeit für den täglichen Workflow des Kunden wird.
- Wetten konzentrieren: Da das Potenzgesetz so extrem ist, führt eine Diversifizierung über 50–70 verschiedene VC-Fonds oft zu durchschnittlichen Renditen. Um Outlier-Gewinne zu erzielen, sollten Sie stärker in eine kleinere Anzahl von Firmen investieren, die einen nachgewiesenen Zugang zu kategorieprägenden Unternehmen haben.
- Engpässe in der Lieferkette beobachten: Richten Sie die Aufmerksamkeit auf die „linke Seite“ des KI-Stacks – Energieübertragung, Rechenzentrumsdichte und Stromgenehmigungen –, da dies die primären Einschränkungen sind, die bestimmen werden, welche KI-Unternehmen tatsächlich skalieren können.
a16z’s Jen Kha and David George sit down with Accolade Partners’ Aram Verdiyan to discuss how AI is changing the power law of technology investing, why the largest companies can compound advantages in ways that weren’t possible before, and what that means for how investors construct portfolios.
They explore why AI may be much bigger than traditional software, with applications reaching into labor, healthcare, transportation, services, and other major parts of the economy. David explains why capital itself can now reinforce an AI company’s advantage by buying more compute, while Aram makes the case that AI should increasingly be treated as a core allocation rather than a satellite position.
The conversation also gets into the changing economics of venture and growth investing, how to distinguish real AI traction from early hype, what AI means for legacy software and private equity, and why some of the largest opportunities may still be ahead in robotics, autonomy, healthcare, energy, and physical infrastructure.
Resources:
Follow Aram Verdiyan on X: https://x.com/aramverdi
Follow Jen Kha on X: https://x.com/jkhamehl
Follow David George on X:https://x.com/DavidGeorge83
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
-
Rebuilding America’s Industrial Backbone
America is a country of immense wealth, but our manufacturing infrastructure is struggling to keep pace. In this episode, we discuss the overlooked crisis of American manufacturing and what it means for our national resilience.…
-
Autonomy Across Air, Land, and Sea
2024 has been a milestone year for autonomous tech. Waymo’s fully autonomous driver has surpassed 20 million miles, while FAA approvals now allow commercial drones to fly without visual observers, advancing air autonomy in unprecedented…
-
State of Crypto 2024: Builder Energy, U.S. Election, Stablecoins, AI, More
We take you behind the scenes of our newly released, annual State of Crypto Report — a16z crypto’s analysis of the latest data and trends that have defined the industry in 2024. This year’s report…
-
Tesla’s Road Ahead: The Bitter Lesson in Robotics
What does Rich Sutton’s “Bitter Lesson” reveal about the decisions Tesla is making in its pursuit of autonomy? In this episode, we dive into Tesla’s recent “We, Robot” event, where they unveiled bold plans for…
-
The story of Apple Pay with Jennifer Bailey
In 2024, marking 10 years since its launch, Apple Pay now boasts hundreds of millions of consumers in 78 markets, at checkout on millions of websites and apps, in tens of millions of stores worldwide,…
-
Lisa Su on the AI Ecosystem Behind AMD’s 50x Growth
Lisa Su has transformed AMD into a global leader in AI and high-performance computing. In this episode of the AI Revolution (AIR) series , Bob Swan, a16z Operating Partner and former CEO of Intel, sits…
-
The Deepfake Dilemma: The Technology, Policy, and Economy
Deepfakes—AI-generated fake videos and voices—have become a widespread concern across politics, social media, and more. As they become easier to create, the threat grows. But so do the tools to detect them. In this episode,…
-
A Big Week in Tech: NotebookLM, OpenAI’s Speech API, & Custom Audio
Last week was another big week in technology. Google’s NotebookLM introduced its Audio Overview feature, enabling users to create customizable podcasts in over 35 languages. OpenAI followed with their real-time speech-to-speech API, making voice integration…
-
From Swipe to Scale: How Tinder Became #1
In 1995, just 2% of couples met online. Today, that number has surged to over 50%, making online dating the top way couples connect. In this episode, a16z General Partner Andrew Chen chats with Tinder…
-
Human Data is Key to AI: Alex Wang from Scale AI
What if the key to unlocking AI’s full potential lies not just in algorithms or compute, but in data? In this episode, a16z General Partner David George sits down with Alex Wang, founder and CEO…